退休計算機

2.84%。

模擬器第一次跳出這個數字時，我疑惑著想著，這是什麼意思？

“夠不夠”一開始不是財務問題。

如果只是財務問題，輸入資產、支出、報酬率、通膨、壽命，任何的計算機都能給我一個答案。

但我需要知道的不只是夠，更重要的是，在什麼條件下才成立。

最早的版本很粗糙。

資產、年度支出、預估報酬率以及通膨，模擬年齡從 52 到 90。

看起來像模型，其實只是把焦慮塞進公式裡。

我很快就知道不夠。

不是錢不夠，而是模型覆蓋的範圍不夠。

於是開始動手拆解。

資產不能只是一個總數，報酬率不能只給一個平均值，平均值太溫和，但真正麻煩的是順序。

SoRR 不能只是名詞，它必須變成前幾年市場不好時我要如何撐過去。提領也不能只是每年固定賣多少，市場下跌時必須砍幾趴，上漲時又可以多花幾萬，現金桶低於幾年要補，補的時候從哪裡先賣。

這些都不是一次想清楚的，是幾十次迭代。

以前處理工作問題時，我很熟悉這種方式。

差別在於，工作上的模型壞掉，多修幾次就能解決。

退休計算機算錯，影響的是我對未來的判斷。

AI 在這裡的作用，不是告訴我”你可以退休”。

這句話如果由 AI 說出來，我反而不會相信，因為它不必負責。

它真正有用的地方，是把我腦袋裡那團”夠不夠”拆開，讓它從感覺變成一組條件。每一個條件都可以被改動，每一個改動都會留下痕跡。

第一次跑出安全結果時，我沒有因此感到安心。

質疑報酬率太樂觀、通膨太低、支出估太少、SoRR 估太短，不確定未來醫療、匯率、黑天鵝，更懷疑自己只是想離開這個工作，所以選擇相信好看的數字。

但這些懷疑沒有消失，我把它們放進模型裡，一個一個測，一項一項拆解。

幾十次迭代後，結果開始穩定。

不是每一條存活路徑都好看，不是資產只會一路往上，不是提領期就不會遇到下跌。

但在我願意接受的假設裡，模型一直告訴我同一件事。

更準確的說法是：在一組足夠保守、反覆測試過的條件下，我找不到必須繼續全職工作的財務理由。

現在回頭看，退休計算機真正處理的，其實不是退休。

它解決的是我如何相信一個判斷。

我不能只靠感覺，也不能依靠別人的規則，4% rule 對我太粗糙，“大家都這樣做”更不夠。

我需要的是一個能讓我把懷疑放進去、允許我看壞情境、回答我在每一次修正後重新問一次”現在呢？“的東西。

AI 適合做這件事。

不是因為它比較聰明，而是因為它可以幫我把模糊問題拆成一個個可以反覆測試的變數。

我不需要它安慰我，我需要的是把問題變成可以實驗的形式。

退休計算機讓我確認自己是安全的，這句話可以成立。

但更接近事實的是：我把原本模糊的”夠不夠”，壓成了一個模型。

不是看了安心，是可以檢查。

2.84%。

一樣的數字，但是現在我知道，夠了。